ⓒ Korean Meteorological Society, 2009 107 1. 서 론
온실가스 배출 증가로 인해 20세기 지구 평균 기온 은 0.6℃가 상승하였고 온실가스의 농도에 따라 21세 기에는 20세기보다 기후변화가 더 빨리 진행될 것으로 전망되었다 (International Panel on Climate Change,
IPCC, 2007). 전지구적인 미래 기후 변화는 대기-해양 결합모델 (Atmosphere-Ocean Global General Circulation Models, AOGCMs)을 통해 그 정량적인 분석과 예측 이 가능하게 되었다. 더불어, 최근에는 지역적인(regional) 규모의 보다 상세화된 기후 시나리오에 대한 모의가 요구되고 있지만, 현재의 AOGCM의 수평해상도는 약 100-200 km로 한반도와 같은 특정지역의 기후 모의 결과는 모델에 따라 그 오차가 매우 크다. 특히 AOGCM 과 같이 수평분해능이 낮은 격자 체계에서 한반도는 충분한 격자점으로 표현되지 못하고 있어 지형적 영향 에 따른 기후 예측과 분석에는 한계를 가진다. 이에 따 라 전지구 광역규모의 모델에서 모의된 대기 순환과
한반도 미래 기온 변화 예측을 위한 ECHO-G/S 시나리오의 통계적 상세화에 관한 연구
신진호*․이효신․권원태․김민지 국립기상연구소 기후연구과
(2008년 11월 10일 접수; 2009년 2월 4일 승인)
A Study on Statistical Downscaling for Projection of Future Temperature Change simulated by ECHO-G/S
over the Korean Peninsula
Jinho Shin*, Hyo-Shin Lee, Won-Tae Kwon and Minji Kim Climate Research Laboratory, National Institute of Meteorological Research
(Manuscript received 10 November 2008; in final form 4 February 2009)
Abstract
Statistical downscaled surface temperature datasets by employing the cyclostationary empirical orthogonal function (CSEOF) analysis and multiple linear regression method are examined. For evaluating the efficiency of this statistical downscaling method, monthly surface temperature of the ECMWF has been downscaled into monthly temperature having a fine spatial scale of ~20km over the Korean peninsula for the 1973-2000 period. Monthly surface temperature of the ECHOG has also been downscaled into the same spatial scale data for the same period. Comparisons of temperatures between two datasets over the Korean peninsula show that annual mean temperature of the ECMWF is about 2℃ higher than that of the ECHOG. After applying to the statistical downscaling method, the difference of two annual mean temper- atures reduces less than 1℃ and their spatial patterns become even close to each other. Future downscaled data shows that annual temperatures in the A1B scenario will increase by 3.5℃ by the late 21st century. The downscaled data are influenced by the ECHOG as well as observation data which includes effects of complicated topography and the heat island.
Key words: Statistical downscaling, Cyclostationary Empirical Orthogonal Function (CSEOF) analysis, future temper- ature change.
*Corresponding Author: Jinho Shin, Climate Research Laboratory, National Institute of Meteorological Research.
Phone: +82-2-6712-0317, fax: +82-2-834-5922 E-mail: [email protected]
지역 기후간의 통계적 특성을 이용하여 모델의 정보를 규모 축소화하여 세밀한 공간격자를 가지는 지역기후 로의 통계적 상세화 기법들이 연구되고 있다.
Lim et al. (1984)은 GCM의 광역규모의 기온과 강 수량으로부터 EOF (Empirical Orthogonal Function) 분석을 적용하여 지역 기후를 생산하였다. 기온과 강 수량 관측값을 공간 평균한 값을 광역변수의 격자점의 값으로 간주한 후 EOF 분석을 하였다. 가장 큰 변동을 설명하는 EOF의 첫번째 모드의 주성분 시계열과 격자 점값 사이의 상관관계로부터 EOF의 모드가 격자점의 시간변동을 보임으로써 격자점 값으로부터 관측지점 의 기온분포 정보를 얻을 수 있음을 제시하였다. 최근 에 여러 광역규모의 예측인자(독립변수)-대규모의 순 환 지수 등을 이용하여 하나의 지역규모의 예측변수 (종속변수)를 구하는 통계적 방법이 개발되고 있다. 예 측인자들과 예측변수 사이의 주성분 시계열의 결합모 드를 이용하는 상관계수를 구해 높은 상관계수를 가지 는 변수를 적절하게 이용하여 규모상세화를 시도했다 (von Storch, 1995; Kim et al., 2004; 김맹기 2005; Kim et al., 2007). 결합모드의 변동성은 EOF분석과 고유치 분 리 분석 (Singular Vale Decomposition Analysis, SVDA) 을 결합하는 방법, 정준 상관 분석(Canonical Correlation Analysis, CCA) 방법 등의 여러 통계적 기법 등이 연 구되어 왔다 (Conway et al., 1996; 김맹기와 강인식, 1997; Salathé, 2003; Kim et al., 2004; 김맹기 2005).
광역규모와 지역규모의 기후인자 사이의 통계적 방 법, 경험적 관계를 적용할 때 예측인자로 광역규모의 변수를 사용하기 보다는 예측변수를 결정하는 대기 순 환과 관련된 예측인자를 이용하여 상세화를 시도해왔 다 (Wilby and Wigley, 1997). 그러나, 최근에는 광역 규모의 예측인자로 기온(강수량)을 이용하여 예측변 수인 지역규모의 기온(강수량)으로 규모상세화를 수 행하고 있다 (Widmann and Bretherton, 2000; Salathé, 2003). 이 연구에서도 광역규모의 기온을 예측인자로 한반도 관측 기온을 예측변수로 정하여 두변수 사이의 상관관계를 이용하여 규모 상세화하였다.
Lim et al. (2007)는 미 남동부지역의 단기 계절 예측을 위해 Cyclostationary Empirical Orthogonal Function (CSEOF) 분석, 다중회귀기법 등을 이용한 통계적 상 세화 기법을 제시하였다. 먼저 관측과 GCM의 6시간 간격의 기온을 CSEOF 분석하였다. GCM의 CSEOF 모드 (예측인자)와 관측의 CSEOF 모드(예측 변수)의 회귀계수를 계산하여 회귀된 관측 CSEOF패턴을 구
하고 주성분 시계열 생성 (Principal Component Time Series Generator)기법을 이용하여 예측 기간 동안의 주성분 시계열을 구했다. 이 주성분 시계열을 회귀된 CSEOF 패턴과 모드별로 곱하여 상세화된 기온 자료 를 생산하였다. 이 연구의 상세화 기법은 관측의 CSEOF 모드를 예측 인자로, 모델의 CSEOF 모드를 예측변수 로 선언함으로써 ECHOG뿐만 아니라 IPCC AR4에 참여한 다른 모델의 기후자료를 상세화하는데 보다 간 단하면서 유용하게 적용할 수 있다. 또한, 전자가 특정 년도의 특정 일의 기온을 예측하는데 초점이 두고 있 는 반면, 후자의 방법은 지역마다 독특한 관측의 기후 특성을 포함할 뿐만 아니라 모델에 의해 모의된 21세 기 미래 기후 변화의 계절적, 연대별 특성을 내포하는 기온 자료를 상세화한다는 차이를 갖고 있다.
이 연구의 2절에서 자료와 분석 방법에 대해 설명했 다. 특히, CSEOF 분석과 다중 선형 회귀 방법을 적용 한 통계적 상세화 방법을 자세히 설명하였다. 1973~
2000년 기간동안 ECMWF와 ECHOG의 상세화 결과 를 비교 설명하고 4절에서 온실가스 배출 시나리오 A1B에 따른 ECHOG 시나리오 결과를 상세화시켜 한 반도 미래 기온 변화를 전망하였다. 마지막으로 제 5절 의 결론으로 구성되어 있다.
2. 자료 및 분석 방법 2.1 자료
CSEOF 분석을 이용한 통계적 상세화 방법의 유효 성을 검증하기 위해 관측의 광역 규모자료인 ECMWF 의 기온을 상세화시키고 지역 규모의 관측값과 비교하 였다. ECMWF의 월평균 기온자료가 광역기후 자료 로, 한반도의 관측 월평균 기온자료가 지역 기후 자료 로 사용되었다. ECMWF의 지온자료는 1973년부터 2005년까지의 2.5°x2.5° 등간격의 월 자료이다. 한반 도 관측의 기온(이후 ‘관측’이라 칭함)은 57개의 종관 지상 관측소에서 관측된 1973년 1월부터 2007년 12월 까지의 월 평균 기온자료가 사용되었다.
IPCC Data Distribution Center에서 제공하는 23개 의 모델 자료 중에서 국립기상연구소와 독일 막스플랑 크 (Max Plank Institute, MPI) 연구소가 함께 수행한 ECHO-G/S (이하 ECHOG) 모델을 선택하였다. 이 모 델에서 생산된 미래 시나리오에 대해 통계적 상세화를 적용하여 한반도 미래 기온 시나리오를 생산 구축하였
다. 이 모델은 온실기체 효과뿐만 아니라 에어로솔 효 과까지 고려한 대기 해양 결합 모델로 약 3.7°x3.7° 격 자 간격을 가진다 (Legutke and Voss, 1999). 대기모델 은 ECHAM4와 해양-해빙 모델은 HOPE-G, 그리고 결합자는 OASIS로 구성되어 있고 연직으로 불균등 19층의 hybrid sigma-pressure level를 가진다. 이 모델 은 기상연구소의 장기간의 기후모의 실험을 통해 기후 표류가 적은 안정된 모델임이 증명되었다 (Min et al., 2004).
20세기에 대해 ECMWF의 지표 기온 자료와 비교 하기 위해 ECHOG 을 2.5°×2.5°으로 등격자로 처리하 였다. 전체 자료기간은 관측된 자연강제력과 인위강제 력을 근거로 기후를 재현한 기준인 20세기 기후모의 (20th Century Climate Coupled Model; 20C3M)의 100 년 (1900년-1999년)과 미래기후를 전망하기 위한 A1B 시나리오 100년(2000년-2099년)이다.
2.2 분석 방법
이 절에서는 통계적 상세화 기법을 구성하는 CSEOF 분석과 다중선형회귀 방법을 자세히 설명하였다.
CSEOF 분석에서 추출된 각 모드의 CSEOF 패턴은 주요 기후 시그널의 시공간 전개양상을 보다 잘 표현 할 수 있기 때문에 EOF나 Singular Value Decomposition (SVD)과 같은 기존의 주성분분석 대신에 사용된다.
CSEOF 패턴에 대응되는 주성분 시계열은 경년 시간 규모의 장주기의 변동을 나타낸다. 통계적 상관성과 회귀된 CSEOF 패턴을 경정하기에 CSEOF 주성분 시 계열을 사용하기가 더 쉽다. 결과적으로 광역규모의 모델결과에서 지역화된 기후 시나리오를 생산하는데 유리한다 (Lim and Kim, 2006; Lim et al., 2007). 이 연 구의 목적은 CSEOF 분석과 다중선형회귀 방법을 이 용하여 계산적으로 빠르고 검증이 용이한 통계적 상세 화 기법을 개발하는데 있다. IPCC 4차 보고서에 참여 한 GCM의 기후자료에 이 기법을 적용하여 한반도에 대해 상세화시켜 그 결과를 비교하고 다중모델앙상블 을 구성하는데도 목적이 있다. 먼저 CSEOF분석방법 을 이용하여 기후 자료를 최대 변동을 설명하는 모드 별로 추출하였다. 반복주기 (cyclic period)에 따라 주요 한 기후 양상을 표현하는 시공간적 패턴들 (계절주기, 경년주기, ENSO와 관련된 장주기 등)과 그 패턴들의 시간적 변동을 나타내는 주성분 시계열로 분리시켰다.
CSEOF 분석 방법은 다음과 같은 식으로 표현된다
(Kim and North, 1997; Kim 1997; Lim et al., 2002, Seo and Kim, 2003).
(1)
여기서 Bn(r,t)는 물리 모드의 시공간의 변화이며 Tn(t) 는 각 물리 모드가 시간에 따른 어떻게 변동하는가를 나타낸다. N은 모드를 나타내는 지수이다. 벡터(loading vectors)는 데이터의 변동에 대한 독립적인 패턴으로 물리적 모드로 해석된다 (Kim and Jung, 2001). 이 CSEOF 패턴은 각각의 모드에 대해 서로 직교(orthogonal)한 다. 또한 CSEOF 패턴은 주기 d을 가지고 반복되는 특 성을 가지므로 “cyclostationary” 용어가 사용된다. 더 자세한 설명은 Kim and North (1997)을 참조하면 된다.
CSEOF 분석이 적용되는 광역규모의 자료, ECMWF 의 자료에 대한 공간규모는 한반도를 포함하는 동아시 아지역의 경도 100°-150°E와 위도 20°-50°N으로 정 했다. 그 이유는 지역기후는 대규모 순환(동아시아 몬 순계 순환)에 크게 영향을 받기 때문에 광역규모의 인 자를 가지는 공간규모는 그런 순환을 포함하는 규모 이상이 되어야 한다 (김맹기와 강인식, 1997; Lim et al., 2007). CSEOF분석 결과는 모드별로1월부터 12월 의 시공간의 CSEOF 패턴과 그 패턴들의 시간적 변동 을 나타내는 주성분 시계열로 분리시킨다.
Fig. 1은 분석된 ECMWF의 동아시아 지역 (100°- 150°E, 20°-50°N)과 한반도 관측 기온자료의 결과의 예를 보여준다. CSEOF 패턴들은 분석기간 동안의 총평균 값을 뺀 아노말리 값으로 표현되었다. 분석된 ECMWF의 첫번째와 두번째 모드는 전체변동의97.7%와 0.4%을 각각 설명하였다. 첫번째 CSEOF 패턴은 1년 주기 사 이클을 가진다. 동아시아 지역은 10월부터 다음해3월 까지 음의 아노말리 값이, 5월부터10월까지 양의 아노 말리 값이 지배함을 보였다. 이것은 태양의 남중고도 의 연변화에 따라 기온이 변화하기 때문이다. 또 다른 특징은 6월과 7월에 위도 40°N이남의 한반도 부근에 서 큰 온도경도이다. 이 시기에 대륙이 해양보다 먼저 가열되어 해양에서 육지로의 남서계절풍이 불기 시작 한다. 일년 중 한반도와 일본 여름 우기의 시작과도 일 치한다. 한반도 지역부근의 온도경도가 유지되는 동안 남서계절풍의 유입과 더불어 해양으로부터 수증기공 급으로 인해 우기가 지속된다. 두번째 모드에서는 전 체적으로 양의 아노말리가 지배함을 보였다. 보다 큰 양의 아노말리가1~2월과 7~8월의 고위도 대륙에서 분
Mode 1 Mode 2
Mode 1 Mode 2
Fig. 1. Examples of CSEOF patterns of ECMWF and observational monthly surface temperature over East Asia and Korea peninsula, respectively. Left two columns with upper 6 panels each: The leading mode of CSEOF patterns for ECMWF.
Right two columns with upper 6 panels each: the second mode of CSEOF patterns for ECMWF. Contour interval is 2 and 0.2℃, respectively. Left two columns with 6 panels each: The leading mode of CSEOF patterns for KMA observation. Right two columns with 6 panels each: the second mode of CSEOF patterns for observation. Contour interval is 0.5 and 0.2℃, respectively.
포하였다. 이런 양의 아노말리 분포는 첫번째 CSEOF 패턴에서 1~2월 음의 아노말리와 상세되어 겨울철 기 온이 더 낮아지는 것을 막고 7~8월 양의 아노말리와는 더해져 여름철 기온을 더 높인다. 한반도에서 annual cycle의 강도 변화에 대한 지역적 분포는 해안지방보 다는 내륙지방에서, 고위도로 올라갈수록 변동폭이 크 다. 특히, 중북부 산악지방과 대구를 중심으로 한 영남 분지에서 연주기 아노말리의 변동폭이 크다.
분석된 한반도 기온의 첫번째와 두번째 모드는 전 체변동의 97.9%와 0.8%을 각각 설명한다. 첫번째 CSEOF 패턴은 10월부터 이듬해 3월까지 음의 값을, 6~9월까 지는 양의 아노말리를 가지며 일년주기의 사이클을 가 짐을 보였다. 이런 첫번째 모드의 주기성은ECMWF의 첫번째 모드의 변화 양상과 일치하였다. 두번째 CSEOF 패턴은 1~2월과 7~8월이 다른 달에 비해 큰 양의 아노 말리값을 가지며 ECMWF의 두번째 모드의 변화양상 과 일치하였다.
위의 설명된 ECMWF의 동아시아 지역과 한반도 기온 CSEOF 패턴은 아노말리의 공간적 분포가 일년 주기 안에서 시공간적으로 어떻게 변화하는지 잘 보여 주고 있다 (Fig. 2). 첫번째ECMWF와 한반도 기온의 CSEOF 패턴이 시간에 따라 진동하는 양상을 보여주 는 주성분 시계열은 1.0값을 따라 약 4-5년의 주기의 변동하였다. 실선은 ECMWF의 주성분 시계열이고 파 선은 한반도의 시계열이다. 각 시계열은 4-5년의 장기 주기 안에서도 일년주기의 작은 진동을 함께 가졌다.
한반도의 연주기의 강도는 대체로 4-5년 주기로 변동 하며, 1987~1998년 사이 강도가 0.5℃정도 약해졌다 가 1999년 이후 다시 강해지는 추세를 보여준다. 연주
기의 시계열은 시간에 따라 그 크기가 증가하거나 감 소하지는 않지만 20세기에는 4-5년의 주기를 가지지 만 온난화가 진행되면서 주기가 점점 짧아지고 21세기 말에는 2-3년의 주기를 가지면서 진동한다. 두번째 EMCWF와 한반도 주성분 시계열은 여름철에 높고 겨 울철에 낮은 값을 가지면서 함께 진동하였다. 1980년 이후 기온이 점차 상승했음을 잘 보여주었다. 이것은 동아시아의 기온변화추세와 한반도의 추세가 상당히 물리적-역학적으로 연관성을 가지는 것을 암시한다.
기후 변화에 가장 민감하게 변하는 모드는 CSEOF의 두 번째 모드로 주성분시계열은 1년 주기를 가지면서 시간에 따라 진동하는데 1984년 이후부터 점진적으로 변동의 크기가 증가하는 추세를 보여준다. 이것은 온 난화의 시그널로 한반도의 KMA자료에서 분석된 시 계열 (실선)과 동아시아에 대해 ECMWF 자료에서 분 석된 시계열 (파선)이 동시에 증가한다. 즉, 두번째 모 드가 온난화에 따른 기후변화의 시그널을 포함한다.
위에서 설명했듯이 CSEOF 분석은 특정 주기를 가 지는 패턴(연주기, 경년주기 등)을 가장 잘 추출할 수 있는 기법중 하나이다. CSEOF 분석의 주성분 시계열 을 이용하면 광역규모 변수와 지역규모 변수 사이의 물리적-역학적 연관성 파악할 수 있다. 또한, 적은 모 드를 가지고도 원래의 시계열의 대부분의 변동을 포함 할 수 있다. CSEOF분석을 통해 독립적으로 계산된 ECMWF 와 한반도 기온은 회귀방법을 적용해 역학적-물리적 연관성뿐만 아니라 통계적 연관성이 구할 수 있다. 다 중선형 회귀방법은 독립변수의 모드가 종속변수의 각 모드에 미치는 효과를 상대적으로 비교뿐만 아니라 보 다 정밀한 인과관계의 분석이 가능하다 (김맹기와 강
Fig. 2. Example of CSEOF principal component time series for the first two ECMWF (solid line) and observation (OBS, dashed line) mode from 1973 to 2000 used for CSEOF analysis.
인식, 1997). 그러나, 다중선형회귀는 독립변수와 종속 변수의 선형적 관계를 가정하기 때문에 두 변수의 관 계의 통계적 유사성에도 불구하고 비선형적인 관계를 설명하지 못하는 단점도 가지고 있다 (차유미와 안중 배, 2007). 두 변수 사이의 물리적-역학적 및 통계적으 로 유사한 모드를 찾기 위해, 한반도 기온의 주성분 시 계열을 독립변수로, 광역규모의 ECMWF기온의 주성 분 시계열을 종속변수로 정의해 회귀식을 결정하였다 (Lim et al., 2002, Seo and Kim, 2003).
(2)
여기서, PCLn는 종속변수의 주성분시계열의 n번째 모 드, PCRi은 독립변수의 i번째 모드, ani는 회귀계수이 다. 독립변수의 모드 수는 총 변동의 99%을 설명하는 10개를 사용하였다. 회귀계수는 에러, ε(t)를 최소화시 킬 때 구해진다. 한반도 기온의 CSEOF 패턴에 구해진 회귀계수를 투사하여 회귀된 한반도 기온의 CSEOF 패턴을 구하였다. 최종적으로 분석된 기간 동안의 광 역규모 ECMWF의 주성분 시계열과 회귀된 한반도 기 온의 CSEOF 패턴을 각 모드별로 곱해서 더하면 한반 도지역으로 상세화시킬 수 있다. 그림 3은 이런 일련의 상세화 과정을 도식화를 보여준다. 그 통계적 상세화
의 관계식은 다음과 같다.
(3)
여기서 Tn(r,t)는 회귀된 한반도 기온CSEOF패턴, PCLn(t) 는 광역규모 ECMWF의 주성분 시계열, 그리고 SDS(r,t) 는 분석된 기간 동안 지역규모로 통계적으로 상세화된 공간과 시간의 차원을 가지는 기온자료이다.
3. 20세기에 대한 기온의 상세화 결과 비교
앞서 설명한 CSEOF 분석과 회귀방법을 적용한 통 계적 상세화 기법을 이용하여 ECMWF와 ECHOG의 월 기온을 한반도 지역으로 상세화시켰다. ECMWF의 1973-2000년 기간 동안 동아시아 지역의 월 평균 기온 과 기상청에서 관측한 월 평균 기온을 각각 CSEOF 분 석하였다. 분석된 관측과 ECMWF의 주성분 시계열간 회귀분석을 하여 ECMWF의 월 기온을 한반도 규모로 상세화시켰다. 상세화 이전과 이후의 기온 결과, 그리 고 관측된 기온을 서로 비교 분석하였다. 여기서, 사용 된 57개 지점의 월 기온을 Cressman 객관 분석을 이용 하여 1°x1° 간격 (~20km)으로 격자화하였다. 또한, 같은 통계적 상세화 방법을 이용하여 ECHOG의 1901~2099 년 기간의 월 평균 기온을 한반도 규모로 상세화시켰다.
Fig. 3. Schematic diagram of statistical downscaling procedure in the present study. The downscaling processes with extract- ing CSEOF patterns and their corresponding PC time series from CSEOF analysis, calculating regression coefficients between target and predictor PC time series at multiple regression method.
3.1 계절별 평균장 비교
Fig. 4-7는 관측과 상세화 이전과 이후의 광역규모 의 월 기온 자료를 계절 평균(1973~2000년)한 공간장 들이다. 통계적 상세화 이전의 ECHOG와 ECMWF의 계절 평균장을 비교하면, ECHOG가 ECMWF보다 봄 철과 여름철에는 3-4℃이상 낮게, 가을에는 2℃정도 높게, 겨울에는 유사하게 각각 모의하였다. 즉, 모델은 봄과 여름에는cold bias을, 가을에는 warm bias의 불 확실성을 가졌다. 관측의 봄철 평균장은 해안지방이 내륙지방에 비해 기온이 높았고 소백산맥과 태백산맥 을 따라 저온역이 분포함을 보였다 (Fig. 4). 이것은 한 반도의 수륙의 분포와 산맥에 따른 고산지대의 영향이 큼을 보였다. 상세화된 ECMWF의 봄철 평균장도 관 측과 유사한 공간 패턴을 보여주며, 상세화된 ECMWF
와 관측의 차이는 Fig. 8 (a)에서 잘 보여주었다. 해안 지방에서 그 차이가 없으나 내륙쪽에서 관측이 ECMWF 보다 0.1℃정도 높았다. 상세화된 ECHOG의 평균장 은 지형적인 영향으로 인한 해안의 온난역과 산맥의 저온역을 보였다 (Fig. 8 (b)). 상세화된 ECHOG와 관 측의 차이는 대각선 방향으로 남해안에서 동해안쪽으 로 북상할수록 커졌다. 관측보다 상세화된ECHOG의 기온이 낮았다. ECMWF의 여름 기온 분포는 남부지 방은 24℃, 중부지방은 23℃을 보여주는 반면, ECHOG 는 약20℃정도로 ECMWF에 비해 약 3℃정도 저온으 로 모의되었다 (Fig. 5 (a)-(b)). 관측의 여름 평균장은 서울, 서해안지역 그리고 대구를 중심으로 한 영남지 방에서 고온역을, 고원지대에서 저온역이 분포함을 보 여주었다 (Fig. 5 (c)). 상세화된 ECMWF의 공간장에 서는 이런 온난역과 저온역이 뚜렷하게 나타나지 않은 반면, 상세화된 ECHOG에서는 잘 나타났다 (Fig. 5(c) Fig. 4. Geographical distribution of monthly averaged surface temperatures for spring for the period 1973‐2000. Each column from the left represents the monthly mean field derived from (a) ECMWF and (b) ECHOG on upper panels and the monthly mean field derived from (c) observation (OBS), (d) statistically downscaled (SDS) ECMWF, (e) statistically downscaled (SDS) ECHOG.
-(d)). Fig. 8(c)-(d)는 여름철 관측과 상세화된 ECMWF와 ECHO과의 차이를 각각 잘 보여주었다. 상세화된 ECHOG 와 관측의 차이는 전국적으로 약 0.5℃ 로 관측이 컸 다. 상세화된 ECHOG는 관측보다 2℃정도 낮았다. Fig.
6(a)-(b)가 보여주는 가을철 ECMWF와ECHOG의 공간 분 포에서 ECMWF가 ECHOG보다 1℃정도 더 높았다.
관측의 평균장은 따뜻한 해양의 영향을 크게 받는 해 안지방이 내륙지방보다 2-3℃보다 높았다. 상세화된 ECMWF의 가을철 평균장은 관측과 매우 흡사하다 (Fig. 6 (d)). 관측과의 차이는 전체적으로 -0.3℃이내로 관 측의 기온이 높았다 (Fig. 8 (d)). 상세화된 ECHOG의 평균장 의 패턴도 관측과 유사하게 온난역의 해안지방과 저온 역의 내륙지방으로 구분되었다. ECHOG가 관측보다 낮게 상세화되었으며, 그 차이는 해안지방이 내륙지방 보다 크게 나타났다 (Fig. 8 (d)). ECMWF와 ECHOG 의 겨울 평균장은 중부지방은 0℃이하였고 남부지방 은 0℃이상의 기온분포를 보였다 (Fig. 7(a)-(b)). 관측 은 중부내륙지방에 저온역이 해안지방으로 상대적으
로 온난역이 발달하였다. 특히 차가운 북서계절풍의 영향을 크게 받는 서해안이 동일한 위도에서의 동해안보 다 온도가 낮았다. 상세화된 ECMWF의 기온은 관측의 공간 특성을 그대로 가지면서 관측보다 약 0.3℃정도 높게 상 세화되었다 (Fig. 7(d)와 Fig. 8 (g)). 상세화된 ECHOG는 관측과 유사한 중부내륙의 저온역과 해안지방의 온난 역을 가졌지만 관측에 비해 중부지방에선 -1.3℃정도 낮 게 상세화되었다 (Fig. 8 (h)).
관측과 통계적 상세화된 ECMWF와 ECHOG의 기 온 차이를 정리를 하며 다음과 같다 (Fig. 8). ECMWF 와 관측의 차이는 봄에는 -0.1~-0.3℃, 여름은 -0.5~-0.
7℃, 가을은 -0.2℃의 cold bias을 보이는 반면, 겨울에 는 0.3℃의 warm bias을 보인다. ECHOG는 관측에 비해 모든 계절에서 cold bias을 가진다. 여름과 겨울 경우 그 차이가 -1.0~-1.5℃로 가장 큰 cold bias을 가진다.
계절별 warm과 cold bias가 생기는 이유는 통계적 규 모 상세화 과정을 통해 관측의 계절별, 지역적 특성이 투영되어 ECMWF와 ECHOG의 상세화된 기온 자료 Fig. 5. Same as Figure 4 but for summer.
가 산출되기 때문이다.
3.2 특정 지점의 월 변동 비교
어느 특정 지점에서 통계적으로 상세화된 기온의 월 변동을 관측과 비교을 통해 통계적 방법이 적절하 게 기온자료를 산출되었는가를 조사하였다. 한반도가 속하는 광역규모의 격자점 중 중부지방과 남부지방에 서 대표되는 도시 지점인 서울(37.57°N, 126.95°E)과 광주(35.17°N, 126.88°E)를 각각 택하였다. Fig. 9는 서울과 광주의 관측과 상세화된 ECMWF와 ECHOG 월 평균 기온의 시계열을 보여준다. 일년주기의 사이 클을 가지는 관측 값(검은 실선)과 비교할 때 상세화된 ECMWF(붉은 파선)와 ECHOG(녹색 점선)의 월 기온 은 각각 성공적으로 산출되었다. 서울과 광주 지점에 서 상세화된 ECMWF의 월 기온이 상세화된 ECHOG 의 월 기온보다 관측에 보다 근접하게 산출되었다. 두 지점 모두에서 ECHOG의 여름철 최고 기온은 관측에 비해 1~5℃정도 낮게 상세화되었다. 또한, ECHOG의
겨울철 최저 기온도 관측에 비해 약 1~5℃가 낮게 산 출된다. 통계적으로 상세화된 ECHOG의 시계열은 대 체적으로 기온이 저평가되어 산출되었다. 이것은 Fig.
8의 관측과 상세화된 ECHOG의 계절적 평균장의 비 교된 결과와 일치한다.
Fig. 10는 1973년부터 2000년 기간에 대한 서울과 광주의 관측 기온과 상세화된 ECMWF와 ECHOG간 의 산점도와 회귀직선을 그린 것이다. 서울지역에서는 관측과 상세화된 ECMWF, 관측과 상세화된 ECHOG 의 기온간 상관계수가 0.98이상으로 관측과 선형관계 를 가지면서 적절하게 상세화되었음을 알 수 있다. 또 한 회귀 직선의 기울기도 1에 가깝게 나타나 관측과의 변동성뿐만 아니라 정량적으로 잘 산출되었다. 관측 -ECHOG의 회귀직선의 y절편이 관측-EMCWF의 y 절편보다 더 큰 음의 값을 가지기 때문에 상세화된 ECHOG가 관측과 상세화된 ECMWF의 기온 보다 낮 은 값으로 산출되었다.
광주에서도 관측과 상세화된 ECMWF, 관측과 상세 Fig. 6. Same as Figure 4 but for fall.
화된 ECHOG의 상관계수가 모두 0.99로 높고 기울기 도 거의 1에 가깝게 나타나 관측과의 변동성을 가지면 서 정량적으로 적절하게 상세화되었다. 광주에서는 관 측-ECMWF의 회귀직선의 y절편이 관측-ECHOG의 y 절편보다 더 큰 양의 값을 가지기 때문에 상세화된 ECMWF 가 관측과 상세화된 ECHOG 기온보다 높은 값으로 산출되었다.
4. 21세기 에 대한 상세화 결과
이 연구의 목적은 통계적 상세화 기법을 적용하여 ECHOG의 미래 기온자료를 한반도 지역규모로 상세 화시켜 미래 시나리오를 생산하고 구축하는 것이다.
IPCC AR4의 온실 가스 배출 시나리오는 3가지다.
2100년까지 이산화탄소를 860ppm까지 배출하는 A2 와 550ppm까지 배출하는 B1 시나리오의 중간 정도 (720ppm)인 A1B을 선택했다. Fig. 11-14는 A1B에 따 른 한반도 미래 연대별, 계절별 기온의 변화를 보여준
다. 20세기에 비하여 21세기의 기온변화를 계산하기 위해 ECHOG의 1961~1990년 평균값을 2001~2100 년 기간의 월 기온에서 뺐다. 그런 다음, 년대별로 평균 하여 한반도 기온변화를 구하였다; 2020년 (2010~2039 년)대, 2050년 (2040~2069년)대, 2080년 (2070~2099 년) 순으로. 상세화 이전의 ECHOG의 미래 기온변화 는 대체로 남부지방보다는 중부지역에서 크게 나타난 다. 이것은 IPCC 의 대부분의 모델들이 21세기에는 저 위도보다 고위도에서 기온이 보다 크게 상승할 것이라 는 결과와 일치한다 (Min et al, 2004). 또한 뚜렷한 계 절적 편차가 없이 기온이 유사하게 상승하며 21세기 후반으로 갈수록 더욱 상승할 것으로 예상되었다. 상 세화 과정을 통해 얻어진 ECHOG의 미래 기온변화는 기온이 상승하며 21세기 후반으로 갈수록 더욱 상승할 것으로 예상되나 계절별, 지역적으로 차이를 보였다.
2020년대 봄의 상세화 이전 ECHOG이 약 1℃정도 전국적으로 증가하는 반면, 상세화 된 ECHOG의 기온 은 약 0.5℃ 증가할 것으로 전망되었다. 상세화된 기온 Fig. 7. Same as Figure 4 but for winter.
의 변화는 한반도의 복잡한 지형적 영향으로 지역적 차이가 발생한다. 소백산맥이 걸치는 남서해안 지역과 중부내륙 지역에서 0.3℃가 증가한 반면, 동해안, 서해 안 지역과 태백산맥의 영서지역인 경기도에서 0.6℃
가 증가함을 보였다. 상세화 이전의 ECHOG가 약 4℃
정도 상승하는 동안, 상세화된 기온 상승의 지역적 편 차의 특징은 2080년대에는 더 두드러져 남서해안 지 역과 중부내륙 지역에서 약1.8℃정도 안팎, 그 외 지역 에선 약 2.5℃정도 상승하였다. 21세기 중반과 말에 여름철의 기온변화는 통계적으로 상세화된 결과가 상 Fig. 8. Differences of surface temperatures between observation and downscaling for spring, summer, fall and winter for the period 1973‐2000. The left column represents the difference between observation and downscaling result derived from ECMWF and the right the difference between observation and downscaling temperature derived from ECHOG.
Fig. 9. Time series of monthly mean surface temperature for (a) Seoul and (b) Gwangju for the period 1973‐2000 obtained from the observation (black solid), statistically downscaled ECMWF (red dash), and ECHOG (green dot). Abscissa indicates the year and the ordinate indicates the temperature in Celsius.
세화 이전의 모델보다 크게 상승함을 보였다. 2020년 대의 상세화 기온변화는 약간의 지역적인 편차를 보이 지만, 상세화 이전과 이후의 기온이 약 1℃정도 비슷 하게 상승할 것으로 전망되었다. 2050년대 와 2080년 대에는 상세화 이전의 모델이 대부분의 남부지방이 중 부지방보다 기온이 더 증가하며2050년대에는 2.7℃, 2080년대에는 4℃ 각각 상승한다고 전망하였다. 상세 화된 기온변화는 지형적인 영향으로 지역적인 차이를 가졌다. 2050년대 남해안 지역과 소백산맥 지역은 약 2.5℃, 서해안지역을 포함한 영서지역, 동해안지역 및 영남지역은 약 3℃이상 기온이 상승할 것으로 전망하 였다. 이런 기온변화의 지역적인 차이는 2080년대 커
져서 남해안 지역과 소백산맥 지역은 약 4.2℃, 서해안 지역을 포함한 영서지역, 동해안지역 및 영남지역은 약 4.8℃이상 기온이 상승할 것으로 전망하였다. 2020 년대는 가을철 상세화된 기온의 변화는 상세화 이전의 기온변화보다 약 0.3보다 크게 증가할 것으로 전망하 였으나 2050년 이후에는 이런 경향이 역전되어 상세 화 이전의 기온 상승이 상세화된 결과보다 0.3℃보다 높고 2080년대에는 약1℃정도 더 상승한다. 2020년대 의 상세화 이전의 모델결과는 남부지역이 중부지역보 다 기온이 더 상승할 것으로 전망하였다. 상세화된 결 과에서는 동해안과 중부 소백산맥이 다른 지역에 비해 다소 덜 기온이 상승할 것으로 전망하였다. 이런 지역 Fig. 10. Scatterplots of observation and statistically downscaled (SDS) ECMWF and ECHOG temperatures for Seoul and Gwangju for the period 1973‐2000. Abscissa indicates the downscaled temperature and the ordinate indicates the observation temperature in Celsius.
적인 기온변화 특성은 2050년대에서 2080년대로 갈 수로 두드러져 동해안과 소백산맥 그리고 남해안 지역 에서는 약 3℃, 한반도의 다른 지역에서 3.6℃가 상승 할 것으로 전망되었다. 겨울철 기온변화는 다른 계절 에 비교할 때 상세화된 결과가 상세화되기 이전보다
21세기 년 대별로 가장 크게 증가할 것으로 전망하였 다. 대체로 상세화 이전의 기온의 중부지역이 남부지 역보다 약 0.5℃정도 더 상승하였는데, 2020년대는 약 1.0℃, 2050년대는 약 2.4℃, 그리고 2080년대는 약 4.2℃ 각각 상승하였다. 상세화된 기온은 경기도를 중 Fig. 11. Surface temperature change (℃) of ECHOG of spring for three 30‐year periods of 2020s(2010‐2039), 2050s(2040‐
2069), and 2080s(2070‐2099). Changes are relative to the 30‐year mean 1961‐1990. The left column represents the monthly mean field derived from ECHOG and the right the monthly mean field derived from statistical downscaling ECHOG.
심으로 중부지역이 타 지역보다 2020년대는1℃이상, 2050년대는 1.5℃이상, 2080년대는 2.5℃이상 높게 상승할 것으로 전망되었다.
5. 결론 및 토의
이 연구에서는 ECHOG의 광역규모의 기온 자료로 부터 한반도미래 기온 전망을 하기 위해 통계적 규모 상세화 기법을 개발하였다. 모델의 기온 자료를 이용 하여 한반도 미래 기온을 전망하기에 앞서 20세기말 기간 동안의 관측, ECMWF 및 ECHOG의 기온자료에 통계적 상세화 방법을 적용하여 한반도지역으로 상세화 Fig. 12. Same as Figure 11 but for summer.
된 ECMWF와 ECHOG의 기온 결과를 계절 평균하여 비교함으로써 개발된 상세화 기법의 특징을 보여주었다.
관측의 계절 평균장은 해안지방이 내륙지방에 비해 기온이 높고 소백산맥과 태백산맥을 따라 저온역이 분 포함을 보였다. 이런 특징은 상세화된 ECMWF과 ECHOG 의 평균장에서도 잘 구현되었다. 관측의 여름 평균장
은 서울, 서해안, 대구를 중심으로 한 영남지방에서 고 온역을, 고원지대에서 저온역이 분포함을 보여주었다.
상세화된 ECMWF의 공간장에서는 이런 온난역과 저 온역이 뚜렷하게 나타나지 않은 반면, 상세화된 ECHOG 에서는 잘 나타났다. 관측의 가을 평균장은 따뜻한 해 양의 영향을 크게 받는 해안지방이 내륙지방보다 2- Fig. 13. Same as Figure 11 but for fall.
3℃보다 높았다. 상세화된 ECMWF의 평균장은 관측 에 비해 -0.3℃이내로 약한 저온역이 나타났다. 상세화 된 ECHOG의 평균장은 온난역의 해안지방과 저온역 의 내륙지방으로 구분되어 나타났다. 관측의 겨울 평 균은 중부내륙 지방에 저온역이, 해안지방에 상대적으 로 온난역이 분포하였다. 특히 차가운 북서계절풍의
영향을 크게 받는 서해안이 동일한 위도에서의 동해안 보다 온도가 낮았다. 상세화된 ECMWF의 기온은 관 측의 공간 특성을 그대로 가지면서 관측보다 약 0.3℃
정도 높게 상세화되었다. 상세화된 ECHOG는 관측과 유사한 중부내륙의 저온역과 해안지방의 온난역을 가 지지만 관측에 비해 중부지방에선 -1.3℃정도 낮게 상 Fig. 14. Same as Figure 11 but for winter.
세화되었다. 결론적으로, 한반도의 지형과 계절 변화 에 따른 기온의 특성뿐만 아니라 상세화 이전의 광역 규모 기온 자료의 기후적 특성이 함께 상세화 되었다.
시나리오 A1B에 따른 ECHOG의 상세화된 기온 자 료는 지역마다 독특한 관측의 기후 특성을 포함할 뿐 만 아니라 모델에 의해 모의된 21세기 미래 기후 변화 의 계절적, 연대별 특성을 내포하고 있다. 통계적 상세 화 이전의 ECHOG의 미래 기온변화는 뚜렷한 계절적 편차가 없이 기온이 모두 상승하며 21세기 후반으로 갈수록 더욱 상승할 것으로 예상되었다. 상세화 과정 을 통해 얻어진 ECHOG의 미래 기온변화는 이와 동일 하였으나, 계절별, 지역적으로 차이를 보였다.
이산화탄소 배출 증가로 인한 복사강제력에 의해 전지구적으로 4-6℃정도 상승할 것으로 IPCC 보고서 는 제시하고 있다. 그러나, 각 모델이 가지는 불확실성 은 미래 기후 시나리오의 모델간 계통오차를 유발뿐 아니라 지역 기후변화에도 모델마다 많은 차이가 생긴 다. 이 연구에서 제시한 방법은 상세화 과정을 통해 이 러한 불확실성과 오차를 줄이는데 사용될 수 있다. 또 한 모델 기온 자료의 낮은 수평분해능의 한계를 극복 함으로써 한반도 규모의 상세한 기후 자료를 제공할 수 있다. 한반도의 기온은 해양과 육지의 분포, 소백산 맥과 태백산맥, 그리고 한강을 포함한 4대강 등 복잡한 지형의 영향으로 지역적인 편차가 크게 나타난다. 또 한 지역적인 편차뿐 만 아니라 계절별 기온의 상승 차 이도 존재한다. 해안지역, 영남지역 그리고 경기지역 이 산맥의 고산지역보다 기온이 더 증가할 것으로 전 망하였다. 특히, 겨울철에는 서울을 포함하는 수도권 에서 기온 상승이 클 것으로 전망하였다. 이것은 도시 화에 따른 열섬 효과를 포함하는 관측의 특성이 반영 된 특성이라 추측된다. 모델과의 역학적-물리적 유사 성을 바탕으로 시공간 CSEOF 패턴이 회귀되었지만, 관측의 계절적 (북서계절풍 영향), 지형적 (수륙 분포, 도시 열섬 효과) 특성 등이 포함하고 있기 때문이라 추 측할 수 있다. 따라서 기후 변화에 대한 지역 기후 시나 리오의 구축에는 이러한 특성을 보정하면서 통계적 상 세화 과정의 개선이 필요할 것으로 본다.
감사의 글
본 연구는 21세기 프론티어연구개발사업인 수자원 의 지속적 확보기술개발사업단의 연구비지원(1-9-3) 에 의해 수행되었습니다.
참고문헌
김맹기, 강인식, 1997: 광역 기후변수와 지역 기후변수 사이 의 통계적 연관성: 한반도의 온난화와 연관된 북반구 해면 기압 패턴. 한국기상학회지, 33, 261–271.
______, 2005: 한반도 기후변화 시나리오를 위한 통계적 규 모축소법의 적용성. 한국기상학회지, 41, 217–227.
차유미, 안중배, 2005: 역학적으로 규모축소된 남한의 겨울 철 기온에 대한 인공신경망과 다중선형회귀모형을 이용 한 보정 비교 연구. 한국기상학회지, 41, 401–413.
______, ______, 2007: 역학적으로 규모축소된 남한의 여름 철 강수에 대한 인공신경망 보정 능력 평가. 한국기상학회 지, 41,1125–1135.
Conway, D., R. L. Wilby, and P. D. Jones, 1996: Precipitation and air flow indices over the British Isles, Clim. Res., 7, 169–183.
IPCC, 2007: Climate Change 2007: The Physical Scientific Basis, Working group Ⅰcontribution to the fourth assess- ment report of the intergovernmental panel on climate change, Summary for Policymakers. Cambridge University Press, Cambridge, UK, 996 pp.
Kim, J.-W., J.-T. Chang, N. L. Baker, D.S. Wilks, and W.L.
Gates, 1984: The Statistical Problem of Climate Inversion:
Determination of the Relationship between Local and Large-Scale Climate. Mon. Wea. Rev., 112, 2069–2077.
Kim, K.-Y., and G. R. North, 1997: EOFs of harmonizable cyclostationary processes, J. Atmos. Sci., 54, 2416–2427.
______, 1997: Statistical Interpolation Using Cyclostationary EOFs. J. Climate, 10, 2931–2942.
______, and Chung, 2001: On the Evolution of the Annual Cycle in the Tropical Pacific, J. Climate, 14, 991–994.
Kim, M., I. S. Kang, C. K. Park and K. M. Kim, 2004:
Superensemble Prediction of Regional Precipitation Over Korea. Intl. J. Climatol., 24. 777–790.
Legutke, S. and R. Voss, 1999: The Hamburg Atmosphere Ocean Coupled Circulation Model ECHO-G. Deutsches KlimaRechenZentrum Technical Report, 18, 62pp.
Lim, Y.-K., K.-Y. Kim, and H.-S. Lee, 2002: Temporal and Spatial Evolution of the Asian Summer Monsoon in the Seasonal Cycle of Synoptic Fields. J. Climate, 15, 3630–
3644.
______, ______, 2006: A new perspective on the climate pre- diction of Asian summer monsoon precipitation. J.
Climate, 19, 4840–4853.
______, D. W. Shin, Steven Cocke, T. E. LaRow, Justin T.
Schoof, James J. O’Brien, and Eric P. Chassignet, 2007:
Dynamically and statistically downscaled seasonal sim- ulations of maximum surface air temperature over the southeastern United States. J. Geophys. Res., 112, D24102.
Min, S. K., E. H. Park, and W. T. Kwon, 2004: Future Projections of East Asian Climate Change from Multi-
AOGCM Ensembles of IPCC SRES Scenario Simulations.
J. Meteor. Soc. Japan, 82, 1187–1211.
Salathe´, E. P. ,2003: Comparison of various precipitation downscaling methods for the simulation of streamflow in a rainshadow river basin, Intl. J. Climatol., 23, 887–901.
Seo, K.-H., and K.-Y. Kim, 2003: Propagation and Initiation Mechanisms of the Madden-Julian Oscillation. J. Geophys.
Res., 108, 4384–4405.
Widmann M., and C. S. Bretherton, 2000; Validation of mes- oscale precipitation in the NCEWP reanalysis using a new grid-cell precipitation dataset for the Northwestern United States. J. Climate, 13, 1936–1950.
Wilby, R. L., and T. M. Wigley, 1997: Downscaling general circulation model output: A review of methods and limitations. Prog. Phys. Geogr., 21, 530–548.
Von Storch H, Zorita E, Cubasch E., 1993: Downscaling of global climate estimates to regional scales: an application to the Iberian rainfall in wintertime. J. Climate, 6, 1161–
1171.
______, 1995: Spatial patterns: EOFs and CCA. Analysis if Climate Variability: Application of Statistical Techniques, H. von Storch and A. Navara, Eds., Springer-Verlag, 227–
258.
